Útmutatóhoz kapcsolódó kvíz · Kemény Szint

DINO öndesztillációs kvíz

Review DINO teacher updates, crop consistency, collapse prevention, and the curated-data approach that supports transferable DINOv2 features.

Kapcsolódó útmutató utakDino öndesztilláció
kérdés 1 -ból 8

Mit jelent a „NEM” a DINO-ban?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit jelent a „NEM” a DINO-ban?
    • Nincsenek címkék
    • Nincs optimalizáló
    • Neurális kimenet
    • Normalizált objektív
  2. Hogyan frissülnek a tanári hálózat súlyai a DINO-ban?
    • Közvetlen gradiens süllyedéssel a veszteségre
    • Véletlenszerűen minden lépésben
    • A tanuló súlyainak exponenciális mozgóátlagaként
    • Előképzett modellből vannak lefagyasztva
  3. Milyen problémát akadályoz meg a tanári eredmények központosítása és élesítése?
    • A GPU túlmelegedése
    • Üzemmód összecsukása állandó kimenetre
    • Lassú adatbetöltés
    • Színtorzítás
  4. A DINO multi-crop stratégiájában milyen nézeteket kap a tanár?
    • Csak a kis helyi termények
    • Véletlenszerű zajfoltok
    • Csak szürkeárnyalatos verziók
    • Csak a globális termények
  5. What emergent property did the original DINO study observe in vision-transformer attention maps?
    • Every map reconstructs an exact depth measurement
    • Some maps highlight object structure without segmentation-label training
    • Attention is trained directly on human-drawn masks
    • All heads produce perfect object boundaries on every image
  6. How did DINOv2 extend the visual-feature approach of the original DINO?
    • It scaled self-supervised training with curated data for transferable visual features
    • It replaced visual inputs with text-only training
    • It required segmentation labels for all pretraining images
    • It removed the student-teacher learning approach entirely
  7. In DINO training, which network receives gradients from the student-teacher cross-entropy objective?
    • Only the teacher, while the student stays frozen
    • Both networks through the same backpropagation update
    • Neither network because the outputs are fixed labels
    • The student, while teacher parameters follow a moving average
  8. What does using DINOv2 as a frozen backbone mean for a downstream task?
    • It must be retrained from scratch for every input image
    • No task-specific output component can be attached
    • Its pretrained feature-extractor weights remain fixed while task-specific components use its features
    • The pretrained features can only reproduce the original training images